Diskrete Ereignissimulation im Kontext BPM


Forschungsarbeit, 2011

32 Seiten


Leseprobe

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Einleitung und Motivation

2 Historische Entwicklung

3 Grundkonzepte
3.1 Begriffsklärung
3.2 Arten der Simulation
3.2.1 Klassifizierung
3.2.2 Monte Carlo-Simulation
3.2.3 Diskrete Simulation
3.2.4 Kontinuierliche Simulation
3.3 Formalisierung der DES
3.4 Beispiel der DES
3.4.1 Problembeschreibung
3.4.2 Definition der Simulationskomponenten
3.4.3 Algorithmische Formalisierung
3.4.4 Abschlussbemerkungen

4 Untersuchungsansatz
4.1 Review
4.2 Vorgehensweise

5 Erweiterte Konzepte

6 Aktuelle Entwicklungen und offene Probleme

7 Aktuelle Software
7.1 Übersicht
7.2 AnyLogic

8 Erweiterung des Bezugsrahmens
8.1 Überblick
8.2 Ereignissimulation und BPM
8.3 Umsetzung der Ereignissimulation in BPM Suiten

9 Fazit und Ausblick

Literaturverzeichnis

Abbildungsverzeichnis

Abb. 1: Any Logic Professional

Abb. 2: BPM-cycle for continous business process improvement

Tabellenverzeichnis

Tabelle 1: Fallbeispiel - Kunde kommt an - Situation 1

Tabelle 2: Fallbeispiel - Kunde kommt an - Situation 2

Tabelle 3: Fallbeispiel - Kunde kommt an - Situation 3

Tabelle 4: Fallbeispiel - Bedienung beendet - Situation 1

Tabelle 5: Fallbeispiel - Bedienung beendet - Situation 2

Tabelle 6: Fallbeispiel - Kaufhaus schließt

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung und Motivation

In der Vergangenheit waren Simulationsverfahren vor allem in technischen Disziplinen wichtige Analyseinstrumente, da gerade hier reale Experimente sehr kosten- und aufwandsintensiv sind. Ein klassisches Beispiel hierfür ist die Simulation aerodynamischer Eigenschaften von Fahrzeugen oder Flugzeugen im Windkanal.[1]

Aufgrund immer leistungsstärkerer Computer, welche auch die Simulation hochkomplexer Experimente ermöglichen, kam dieser Technologie eine immer höhere Bedeutung zu, wodurch sie Einzug in die unterschiedlichsten Forschungs- und Entwicklungsdisziplinen – so auch in das Geschäftsprozessmanagement, fand.

Durch diese Technologie ist es möglich, Geschäftsprozesse, vor der Einführung in den Produktivbetrieb, zu simulieren und damit zu verifizieren. Es können Fehler und Schwachstellen der Modelle im Vorfeld identifiziert und behoben werden, wodurch kritische Situationen und ineffiziente Arbeitsweisen vermieden werden.

Das am weitesten verbreitete und bewährte Konzept der diskreten Ereignissimulation (engl. Discrete Event Simulation = DES) stellt in diesem Zusammenhang den Fokus der vorliegenden Arbeit dar, wobei im Grundlagenteil (Kapitel 3) in das gesamte Spektrum der Simulation eingeführt wird. Weiterhin wird anhand eines Beispiels die Formalisierung eines zu simulierenden Systems vorgenommen und die zugehörigen Algorithmen erarbeitet.

Im Kapitel der erweiterten Konzepte (Kapitel 5) wird anschließend auf Erweiterungen und Neuerung in diesem Teilbereich eingegangen und in Kapitel 6 die aktuellen Entwicklungen und offenen Probleme diskutiert. Zum Abschluss werden simulationsunterstützende Softwarewerkzeuge vorgestellt und, auf den Ergebnissen basierend, eine Erweiterung des allgemeinen Bezugsrahmens vorgenommen (Kapitel 8).

2 Historische Entwicklung

Die Simulation im Allgemeinen hat Ihren Ursprung weit in der Vergangenheit. Bereits historische Wissenschaftler und Physiker bedienten sich Modellen zur Analyse von Systemen. Im Allgemeinen spricht man dabei von Experimenten, welche bis heute ein bedeutendes Anwendungsfeld der Simulation darstellen. Als aktuelles und populäres Beispiel können in diesem Umfeld Auto-Crashtests genannt werden.

Wie bereits einleitend angesprochen waren Simulationsverfahren vor allem in technischen Disziplinen wichtige Analyseinstrumente. Durch den Einsatz von leistungsstarker Computertechnik wurde diese immer bedeutender, da Simulationen sehr kostengünstig und ohne real existierende (greifbare) Modelle durchgeführt werden können. Diese Tatsache führte ebenfalls dazu, dass die Simulation auch in anderen Forschungsdisziplinen, wie den Geowissenschaften (beispielsweise Computersimulation von Winden oder Tsunamis) oder den Sozial- und Wirtschaftswissenschaften vermehrt zum Einsatz kam.

Gerade in den Wirtschaftswissenschaften, oder spezieller im Teilbereich des Geschäftsprozessmanagement oder „Operations Research“ (Abk.: OR) fand sich in den letzten Jahren ein hoher Zuspruch, da Prozessen unter geringem zeitlichen und finanziellen Aufwand simuliert und analysiert werden können.

Der Informatik kommt in diesem Zusammenhang heute eine besondere Bedeutung zu, da sie sich sowohl mit der technischen Unterstützung und Umsetzung der Verfahren als auch mit den Verfahren selbst befasst.

3 Grundkonzepte

3.1 Begriffsklärung

Unter der (Ereignis-)Simulation im Allgemeinen versteht man das möglichst realitätsnahe Nachbilden von Systemen und Geschehen der Wirklichkeit. Demnach wird durch Abstraktion ein Modell geschaffen, mit welchem zielgerichtet experimentiert wird. „[…] Die daraus resultierenden Ergebnisse werden anschließend wieder auf das reale Problem übertragen. […]“[2]

Simulationen erweisen sich in bestimmten Situationen als besonders nützlich und hilfreich[3]:

- Ein passendes mathematisches Optimierungsmodell ist nicht vorhanden oder nur mit nicht vertretbaren Kosten entwickelbar oder die verfügbaren Methoden sind zu kompliziert oder nicht praktikabel.
- Verfügbare analytische Methoden führen zu vereinfachenden Annahmen, welche das zu analysierende Problem verfälschen würden.
- Die Durchführung realer Experimente (z.B. mit Prototypen) ist zu komplex, zu kostspielig oder zu gefährlich.

„Die Simulation dient der Vorhersage der Zustände einzelner Komponenten und des Gesamtsystems, wobei diese (End-) Zustände meist von einer Fülle von Einflussfaktoren in Form von Wahrscheinlichkeitsverteilungen (z.B. Maschinenausfall) abhängen. Neben der Abbildung einzelner Komponenten und der Quantifizierung der (stochastischen) Einflussfaktoren ist es notwendig, die Zusammenhänge zwischen den Komponenten bzw. Elementen in einem Modell abzubilden. Simulation entspricht dann der Durchführung von Stichprobenexperimenten in einem derartigen Modell.“[4]

3.2 Arten der Simulation

3.2.1 Klassifizierung

Da die Anwendungsbereiche von Simulationen sehr vielfältig sind, gehen die Meinungen über die eine Klassifizierung der Simulationsarten in der Literatur weit auseinander.

Beispielsweise unterteilt das Gabler Wirtschaftslexikon[5] die Simulation in Physikalische Modelle, Modelle mit menschlicher Entscheidung und deterministische Modelle, während die Universität Paderborn[6] eine Klassifikation in diskrete und kontinuierliche Simulation vornimmt – in der Online-Enzyklopädie Wikipedia[7] wird sogar nur zwischen der Simulation mit und ohne Computer unterschieden. Es existieren noch diverse weitere Unterteilungen, auf welche an dieser Stellt jedoch nicht weiter eingegangen werden soll.

Vielmehr soll hier die Klassifizierung von Domschke und Drexl[8] angeboten werden, da diese im vorliegenden Kontext am passendsten erscheint. Die Autoren unterscheiden drei grundlegende Arten der Simulation, auf welche im Folgenden kurz eingegangen wird.

3.2.2 Monte Carlo-Simulation

Bei der Monte Carlo-Simulation sind insbesondere zwei Eigenschaften des Roulettespiels von besonderem Interesse.

- Die Wahrscheinlichkeiten dafür, dass die Kugel bei einer bestimmten Zahl liegen bleibt, ist gleichverteilt und a priori bekannt, was zu einer einfachen Rekonstruierbarkeit durch einen Computer führt.
- Die Wahrscheinlichkeit, dass die Kugel bei einer bestimmten Zahl liegen bleibt ist unabhängig vom vorherigen Wurf. Der Faktor Zeit spielt also keine Rolle.

Die Monte Carlo-Simulation ist demnach besonders für die Analyse statischer Probleme mit bekannter Wahrscheinlichkeitsverteilung geeignet.

3.2.3 Diskrete Simulation

Die diskrete Simulation, auf welcher der Fokus der vorliegenden Arbeit liegt, befasst sich mit der Modellierung von dynamischen Systemen. Prinzipiell wird bei diskreten Systemen zwischen ereignisorientierten, prozessorientierten und transaktionsorientierten Ansätzen zur Simulation unterschieden[9]. Diese zusätzliche Untergliederung weicht hier von den Ausführungen von Domschke und Drexl ab, da dies, abzielend auf die nachfolgenden Kapitel, ein besseres Verständnis ermöglicht.

Nach Raffel, ist die diskrete ereignisorientierte Simulation (kurz: Diskrete-Ereignis-Simulation) am weitesten verbreitet und seit langer Zeit etabliert[10]. Bei diesem Konzept ändert sich der Systemzustand sprungartig, während er im Zeitraum zwischen den Ereignissen konstant bleibt. Diese Zustandsänderung, ausgehend von einem Ereignis (engl. Event), wird als Ereignisausführung bezeichnet. Bei diesem Verfahren existiert eine Ereignismenge, in welcher alle, zum aktuellen Zeitpunkt möglichen, Ereignisse enthalten sind, wobei bei der konkreten Simulation, das Ereignis mit dem frühsten Zeitpunkt gewählt wird (mehr dazu in Kapitel 3.4). Durch die Ereignisausführen ändert sich dadurch nicht nur der Zustand der Systems, sondern auch die Ereignismenge, da Elemente entfernt und hinzugefügt werden können. Diese Ereignisse werden als Folgeereignisse des ausgeführten Ereignisses bezeichnet.

Der Zustand eines solchen Systems wird demnach durch eine (zeitabhängige) Zufallsvariablen beschrieben, die Anzahl der Zeitpunkt ist dabei endlich[11]. Zusätzlich zum oben beschriebenen Vorgehen der ereignisorientieren Zeitführung (next-event time advance) grenzen Domschke und Drexl die periodenorientierte Zeitführung (fixed-increment time advance) ab. Dabei wird eine Simulationsuhr um jeweils Zeiteinheiten erhöht, die Zeiteinheit ist abhängig von der Problemstellung geeignet zu wählen. Nach jeder Aktualisierung der Simulationsuhrzeit wird geprüft, ob zustandsverändernde Ereignisse eingetreten sind.

Bei der „fixed-increment time advance”-Zeitführung hängt es stark von der Wahl der Zeiteinheit ab, ob innerhalb von Ereignisse eintreten oder keine Zustandsänderung stattfinden, wohingegen bei der „next-event time advance“-Zeitführung diese nicht-zustandsverändernden Perioden ausgeblendet werden. Aufgrund dieses entscheidenden Vorteils wird in die „next-event time advance“-Zeitführung in allen gängigen Simulationssprachen verwendet und wird auch im Rahmen der vorliegenden Arbeit zur Bearbeitung des Beispielszenarios (Kapitel 3.4) herangezogen.

3.2.4 Kontinuierliche Simulation

Bei der kontinuierlichen Simulation geht ebenfalls um die Modellierung und die Analyse dynamischer Systeme. Im Gegensatz zur diskreten Simulation ändert sich jedoch der Zustand (welche ebenfalls durch Zustandsvariablen abgebildet wird) kontinuierlich mit der Zeit.

Typischerweise arbeiten die Simulationsmodelle mit komplexen Differenzialgleichungen, um den Zusammenhang zwischen dem Zeitfortschritt und den Zustandsänderungen abzubilden.

3.3 Formalisierung der DES

Nun soll auf die allgemeine Formalisierung der diskreten Ereignissimulation nach Raffel[12] eingegangen werden. Wie bereits in Kapitel 3.2.3 erläutert, werden diejenigen Ereignisse erfasst, welche zu einer Zustandsänderung des simulierten Systems führen. In der Zeit zwischen dem Auftreten zweier Ereignisse bleibt der Zustand unverändert. Es wird dann immer genau das Ereignis ausgeführt, welches zeitlich an der nächsten Stelle steht. Demnach gehen wir hier speziell auf die „next-event time advance“-Methode ein, was in den in Kapitel 3.2.3 genannten Vorteilen begründet ist.

Nachfolgend soll zwischen den Begriffen Simulationssystem und simulierten System in der Weise unterschieden werden, als dass es sich beim Simulationssystem um das System handelt, welches für die Simulation zuständig ist, während es sich beim simulierten System und das System handelt, welches simuliert wird. Der Zustand des simulierten Systems ist demnach Bestandteil des Zustandes des Simulationssystems. Der Zustand Z eines Simulationssystems wird repräsentiert durch ein Tupel , mit

[...]


[1] Domschke, W., Drexl, A.: Einführung in Operations Research – Springer Lehrbuch, Springer 2005, S. 223

[2] Siepermann, M., Auer, B.R.: Gabler Wirtschaftslexikon – Simulation, Version 7, http://wirtschaftslexikon.gabler.de/Definition/simulation.html, Abrufdatum: 07.04.2011

[3] Domschke, W., Drexl, A.: Einführung in Operations Research – Springer Lehrbuch, Springer 2005, S. 223

[4] Domschke, W., Drexl, A.: Einführung in Operations Research – Springer Lehrbuch, Springer 2005, S. 223f

[5] Siepermann, M., Auer, B.R.: Gabler Wirtschaftslexikon – Simulation, Version 7, http://wirtschaftslexikon.gabler.de/Definition/simulation.html, Abrufdatum: 07.04.2011

[6] Universität Paderborn – Klassfizierung der Simulation: http://dsor-lectures.upb.de/index.php?id=448, Abrufdatum: 07.04.2011

[7] Wikipedia: Simulation: http://de.wikipedia.org/wiki/Simulation, Abrufdatum: 07.04.2011

[8] Domschke, W., Drexl, A.: Einführung in Operations Research – Springer Lehrbuch, Springer 2005, S. 224ff

[9] Raffel, W.-U.: Agentenbasierte Simulation als Verfeinerung der Diskreten-Ereignis-Simulation, S. 2.

[10] Raffel, W.-U.: Agentenbasierte Simulation als Verfeinerung der Diskreten-Ereignis-Simulation unter besonderer Berücksichtigung des Beispiels Fahrerloser Transportsysteme, http://www.diss.fu-berlin.de/diss/receive/FUDISS_thesis_000000001542, S. 22.

[11] Domschke, W., Drexl, A.: Einführung in Operations Research – Springer Lehrbuch, Springer 2005, S. 225

[12] Raffel, W.-U.: Agentenbasierte Simulation als Verfeinerung der Diskreten-Ereignis-Simulation unter besonderer Berücksichtigung des Beispiels Fahrerloser Transportsysteme, http://www.diss.fu-berlin.de/diss/receive/FUDISS_thesis_000000001542, S. 22.

Ende der Leseprobe aus 32 Seiten

Details

Titel
Diskrete Ereignissimulation im Kontext BPM
Hochschule
Universität des Saarlandes  (Institut für Wirtschaftsinformatik)
Autor
Jahr
2011
Seiten
32
Katalognummer
V176299
ISBN (eBook)
9783640975686
ISBN (Buch)
9783640975952
Dateigröße
1021 KB
Sprache
Deutsch
Anmerkungen
Die Arbeit im Rahmen des Forschungsprojektes Business Engineering Labor (II) entstanden.
Schlagworte
Simulation, Event Simulation, Discrete Event Simulation, DES, BPM, GPM, Geschäftsprozessmanagement, Monte-Carlo Simulation, Dirkrete Simulation, Kontinuierliche Simulation, Ereignissimulation
Arbeit zitieren
B. Sc. Tom Thaler (Autor), 2011, Diskrete Ereignissimulation im Kontext BPM, München, GRIN Verlag, https://www.grin.com/document/176299

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Diskrete Ereignissimulation im Kontext BPM



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden